Questo progetto partecipa alla challenge AI Planet per prevedere se un cliente richiederà un rimborso assicurativo. Il dataset è sbilanciato e include variabili categoriche, numeriche e testuali. Sono state applicate tecniche di bilanciamento, selezione delle feature e tuning iperparametrico.

• Preprocessing con One-Hot Encoding e SMOTE
• Modelli: Logistic Regression, Decision Tree, Random Forest
• GridSearchCV e RFE per tuning e selezione
• Valutazione con Accuracy, F1-score e Confusion Matrix
• Predizione su test set e salvataggio CSV

cd insurance-claim-prediction bash setup.sh

Modello Accuracy F1-score Logistic Regression Decision Tree Random Forest Random Forest + GridSearchCV Random Forest + RFE + GridSearchCV

Il notebook insurance_claim_model.ipynb mostra l’intero flusso: EDA, preprocessing, modellazione, tuning e predizione.